Show simple item record

dc.contributor.advisorİnal, Mehmet Melih
dc.contributor.authorÇelikhası, Cantekin
dc.date.accessioned2023-09-22T12:21:16Z
dc.date.available2023-09-22T12:21:16Z
dc.date.submitted2021-06-15
dc.date.issued2020
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/739670
dc.description.abstractTıbbi görüntülerdeki anomalilerin bilgisayar destekli tespiti büyük öneme sahiptir. Bu alanda yapılan birçok araştırmaya rağmen, aşılması gereken birçok problem yeni çalışmalara kapı aralamaktadır. Bu çalışmanın amacı, Derin Öğrenme yöntemlerini kullanarak medikal görüntüler üzerinden tam otomatik olarak anomali tespiti yapmak ve sınıflandırmaktır. Ayrıca bu işlemi yaparak radyologlar üzerinde biriken yükü azaltmak ve insan hatasını asgari orana indirmektir. Çalışmada MURA (Stanford X-RAY kemik görüntüsü veri seti) ve EDD2020 (Endoskopi Hastalığı Tespiti ve Bölütleme yarışması) veri seti olarak kullanılmıştır. Bu veri setleri üzerinden Tensorflow ve Darknet kütüphaneleri üzerinden Mask R-CNN, YOLOv3, ResNet ve U-Net mimarileri kullanılarak derin öğrenme modelleri eğitilmiştir. Humerus (pazu kemiği) kemiklerinin X-RAY görüntüleri üzerindeki anomalilerinin tespiti için tasarlanan 12 ResNet bloğuna sahip modelde, test verilerindeki anomali tahminleri Cohen Kappa metriği ile 0,9568 oranında başarım elde etmiştir. YOLOv3 mimarisi ile EDD2020 veri kümesi üzerine eğitilmiş modelin F1- Doğruluk Ölçümü 0,46, ortalama hassasiyetin ortalaması mAP skoru ise 0,37 oranında kalmıştır. Endoskopi görüntülerinde anomali tespiti ve bölütleme için Mask R-CNN ve U-Net mimarileri kullanılarak iki ayrı model geliştirilmiştir. Mask R-CNN'de oluşturulan modelin AP skoru 0,20; U-Net'te oluşturulan modelin AP skoru ise 0,83 oranındadır. Gerçekleştirilen tüm yöntemler, radyoloji uzmanlarının yükünü azaltarak yol gösterici bir araç olarak önerilmektedir.
dc.description.abstractThe computer aided detection of anomalies in medical images has great importance. Many problems, which need to be overcome, lead to new studies despite many researches in this area. The aim of this study is to detect and classify abnormalities fully automatically on medical images using Deep Learning methods. In addition, it is to reduce the burden accumulated on radiologists and to minimize human error in the process. In the study, MURA (Stanford Bone X-Ray Dataset) and EDD2020 (Endoscopy Disease Detection and Segmentation) were used as dataset. Through these datasets, deep learning models were trained using Mask R-CNN, YOLOv3, ResNet and U-Net architectures over Tensorflow and Darknet libraries. The model with 12 ResNet blocks, designed for the detection of anomalies on the X-RAY images of the Humerus bones, has achieved 0,9568 success with the Cohen Kappa metric in the test data. With the YOLOv3 architecture, the model trained on EDD2020 dataset has an F1-Score of 0,46 and a mAP score of 0,37. Two different models have been developed by using Mask R-CNN and U-Net architectures for anomaly detection and segmentation in endoscopy images. The AP score of the model created in Mask R-CNN is 0,20; and the AP score of the model created in U-Net is 0,83. All performed methods are suggested as a guiding tool by reducing the burden of radiologists.en_US
dc.languageTurkish
dc.language.isotr
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontroltr_TR
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleDerin öğrenme algoritmaları ile biyomedikal görüntülerden anomali tespiti
dc.title.alternativeAnomaly detection through deep learning algorithms and biomedical images
dc.typemasterThesis
dc.date.updated2021-06-15
dc.contributor.departmentBilişim Sistemleri Mühendisliği Ana Bilim Dalı
dc.identifier.yokid10336107
dc.publisher.instituteFen Bilimleri Enstitüsü
dc.publisher.universityKOCAELİ ÜNİVERSİTESİ
dc.identifier.thesisid667321
dc.description.pages59
dc.publisher.disciplineDiğer


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess